この記事では、Azure AI のサービスとしてのプラットフォーム (PaaS) ソリューションのリソース選択に関する推奨事項について説明します。 次の表は、主要な Azure AI PaaS ソリューションと重要な決定基準の概要を示しています。
| AI サービス | AI の種類 | 説明 | 必要なスキル |
|---|---|---|---|
| Azure AI Foundry | 生成 AI と非生成 AI | 生成型および非生成型の AI アプリケーションを構築およびデプロイするためのプラットフォーム | 開発者とデータ サイエンスのスキル |
| Azure AI サービス | 生成 AI と非生成 AI | 事前構築済みのジェネレーティブ AI モデルと非ジェネレーティブ AI モデルを提供するさまざまなサービス | 開発者スキル |
| Azure OpenAI | 生成 AI | OpenAI モデルにアクセスするためのサービス | 開発者とデータ サイエンスのスキル |
| Azure Machine Learning | 機械学習 | 機械学習モデルのトレーニングとデプロイのためのサービス | 開発者スキルと高度なデータ サイエンス スキル |
生成 AI ワークロードのリソースを選択する
Generateive AI は、さまざまなリソースを組み合わせて入力データを処理し、意味のある出力を生成します。 適切なリソースを選択すると、 検索拡張生成 (RAG) を使用するアプリケーションなど、AI モデルを効果的に接地することで正確な結果が得られます。
一般的な RAG ワークロードでは、(1) ワークロードはユーザー クエリを受け取ります。 (2) データ フローは、Azure AI Foundry Agent Service、セマンティック カーネル、LangChain などのオーケストレーターによって管理されます。 (3) 検索および取得メカニズムは、生成 AI エンドポイントに送信する適切な (4) 接地データを識別します。 (5) 生成 AI モデル エンドポイントは、ユーザー クエリとグラウンディング データに基づいて応答を生成します。 生成的な RAG ワークロードを構築するには、次の推奨事項を使用します。
生成 AI プラットフォームを選択します。 生成 AI モデルをデプロイして管理するには、Azure AI Foundry または Azure OpenAI を選択します。 Azure AI Foundry は、アプリケーションを開発、デプロイ、調整するための組み込みツールを備えたコード優先プラットフォームを提供します。 OpenAI モデルへのアクセスのみが必要な場合は、Azure OpenAI サービスを使用します。
適切な AI コンピューティング タイプを選択します。 Azure AI Foundry には、特定 の機能のコンピューティング インスタンス が必要です。 パフォーマンスと予算のニーズを満たすコンピューティングの種類を選択します。
オーケストレーターを選択します。 Azure AI Foundry Agent Service、セマンティック カーネル、LangChain などの一般的なオーケストレーターを使用して、データ フローと相互作用を管理します。
検索と知識の取得メカニズムを選択します。 インデックスまたはベクターデータベースを作成して、生成AIモデルの基盤とします。 Azure AI 検索を使用して、さまざまな データ ソースから従来のインデックスとベクトル インデックスを構築し、データ チャンクを適用し、複数の種類のクエリを使用します。 構造化データベースの場合は、 Azure Cosmos DB、 Azure Database for PostgreSQL、または Azure Cache for Redis を検討してください。
データをグラウンディングするためのデータ ソースを選択します。 イメージ、オーディオ、ビデオ、または大規模なデータセットのグラウンド データを Azure Blob Storage に格納します。 または、Azure AI 検索やベクトル データベースでサポートされているデータベースを使用します。
コンピューティング プラットフォームを選択します。 Azure コンピューティング デ シジョン ツリー を使用して、ワークロードに適したプラットフォームを選択します。
非生成 AI ワークロードのリソースを選択する
非変性 AI ワークロードでは、プラットフォーム、コンピューティング リソース、データ ソース、およびデータ処理ツールを使用して、機械学習タスクをサポートします。 適切なリソースを選択すると、事前構築済みまたはカスタム ソリューションを効果的に使用して AI ワークロードを構築できます。
非変性 AI ワークロードの場合: (1) ワークロードはデータを取り込みます。 (2) オプションのデータ処理メカニズムが受信データを抽出または操作します。 (3) AI モデル エンドポイントがデータを分析します。 (4) データは、AI モデルのトレーニングまたは微調整をサポートします。 非変性 AI ワークロードを構築するには、次の推奨事項を使用します。
非変性 AI プラットフォームを選択します。 要件に基づいて、Azure AI サービスまたは Azure Machine Learning を選択します。 Azure AI サービスは、デプロイを簡略化し、深いデータ サイエンスの専門知識の必要性を軽減する事前構築済みの AI モデルを提供します。 データを使用してカスタム機械学習モデルを開発し、それらのモデルをワークロードに統合するためのプラットフォームが必要な場合は、Azure Machine Learning を使用します。
適切な AI コンピューティング タイプを選択します。 Azure Machine Learning では、ジョブまたはホスト エンドポイントを実行するために コンピューティング リソース が必要です。 パフォーマンスと予算のニーズを満たすコンピューティングの種類を選択します。 Azure AI サービスでは、コンピューティング リソースは必要ありません。
データ ソースを選択します。 サポートされている データ ソース を使用して、Azure Machine Learning のトレーニング データをホストします。 Azure AI サービスの場合、多くのサービスではデータの微調整が必要なく、Azure AI Custom Vision などの一部のサービスでは、ローカル ファイルをマネージド データ ストレージ ソリューションにアップロードできます。
コンピューティング プラットフォームを選択します。 Azure コンピューティング デ シジョン ツリー を使用して、ワークロードに適したプラットフォームを選択します。
データ処理サービスを選択します (省略可能)。 サーバーレス データ処理には Azure Functions を使用し、データ処理パイプラインをトリガーするには Azure Event Grid を使用します。